流水线传送件几何要素在线检测技术研究

采用图像分析法对加工流水线上传送的工件实施非接触检测。它包括流水线传送件轮廓图像的获取、采用的数字图像格式、传送件几何要素的判别与分析处理及有关的实验测试结果等。     

基于小波变换的圆谐联合变换相关器

将小波变换应用于圆谐联合变换相关器作旋转不变的目标检测。与高通滤波的圆谐联合变换相关器相比,其输出相关峰宽度、识别力、峰噪比和旋转不变性都有较大改善,小波函数采用改进的Ｍｅｘｉｃａｎ－ｈａｔ小波,圆谐联合变换相关器采用直流偏置型,给出计算机模拟实验结果。     

隐马尔柯夫模型在话者识别中的应用

讨论了马尔柯夫模型的基本原理及在许者识别中的应用,并且实现了一个文本有关的话者确认系-统,其最高正识率为９８％。     

语音信号非线性特征的研究

随着研究的深入,语音信号的非线性特征逐渐被人们发现,传统的基于分段线性的语音信号处理方法存在局限性,因此用非线性方法对语音信号进行处理对于提高处理质量相当重要。文章介绍了非线性理论在语音信号处理中的一些应用,首先采用延时相图法重构语音的混沌吸引子,然后用分形维数、Ｌｙａｐｕｎｏｖ指数等非线性动力学参数反映语音信号的非线性特征,设计计盒维数算法并行运用于语音分割,最后根据语音信号时域波形分形结构设计     

基于局部最大熵的多目标图像分割方法

提出了利用图像局部最大熵进行区域增长的多目标分割方法．以局部熵最大值作为目标种子,运用区域增长技术实现多目标分割,用图像的局部熵值相似性判决准则和图像灰度相似性判决准则对复杂多目标砾石图像进行了实验．实验结果表明,用图像局部熵相似性判决准则的图像分割结果优于用图像灰度值相似性判决准则的图像分割结果．     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

联合特征码本树和能量最小化的目标识别方法

针对复杂背景下的目标识别,提出了一种基于特征码本树和能量最小化的概率框架,能同时检测目标位置和区分目标类别的识别方法。为了能加入特征间的空间关系,除了使用单特征码本树,还使用了双特征码本树,并建立一个能量函数来融合单特征码本树和双特征码本树的特征概率匹配结果。最后,通过在测试图像中寻找滑动窗口所在区域的类别能量最小化来确定目标的位置和所属类别。在UIUC和Caltech 101数据库上的实验表明,该方法相比于其他方法具有较高的识别精度。     

基于HAAR小波的关联加权LDA在人脸识别中的研究

线性判别分析(LDA)是人脸识别系统中用来降维的主要技术之一,可以运用于整个人脸图像,但却受到了小样本(small sample size,SSS)问题的限制。通过引入权值的概念,关联加权LDA(RW-LDA)方法有效地改善了小样本问题,但是,它的分类效果却不是很好。为了解决这个问题,提出了基于HAAR小波的关联加权LDA(related weighting LDA based onHAAR wavelet,HWRW-LDA)方法,在HAAR小波子带基础上,应用关联加权LDA方法,既解决了小样本问题,又改善了分类的效果。在ORL及FERET两大人脸数据库的实验结果表明,与最先进的几种方法相比较,HWRW-LDA方法具有更好的识别性能。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

一种改进的对齐算法及其在面部特征定位中的应用

在主动形状模型基础上,借助于核的技巧,对其前期所需的广义对齐算法进行了研究改进,使之能够在后续的主分量分析中更迅速有效地捕捉不同的面部形状变化,进而达到快速定位面部关键特征点的目的.实验结果表明,改进的算法在主分量分析之后能够更好地表达不同脸形变化的模式,而且在定位面部关键特征点上精度更高,收敛速度也有明显改善.